Minicursos da
XVIII Escola Regional de Redes de Computadores
Organização e Edição:
Charles C. Miers Rodrigo B. Mansilha
Diego Kreutz
ERRC 2020
25 a 27 de novembro de 2020 Joinville-SC, Brasil
M INICURSOS
Editora
Sociedade Brasileira de Computação - SBC Porto Alegre - RS
Organizadores Diego Kreutz Charles Christian Miers Rodrigo Brandão Mansilha
Realização
Universidade do Estado de Santa Catarina (UDESC) Universidade Federal do Pampa (UNIPAMPA)
Patrocínio Governamental UDESC
Patrocínio Empresarial Google
Promoção
Sociedade Brasileira de Computação - SBC
Comissão Especial de Redes de Computadores e Sistemas Distribuídos Secretaria Regional do Rio Grande do Sul
Dados Internacionais de Catalogação na Publicação (CIP)
E74
Escola Regional de Redes de Computadores (18.:
2020: Joinville-SC, RS)
Minicursos da XVIII Escola Regional de Redes de Com- putador [recurso eletrônico] – Organizadores: Diego Kreutz, Charles C. Miers, Rodrigo B. Mansilha – Porto Alegre : SBC, 2020.
ISBN 978-65-87003-24-5 x
1. Computação - Congresso. 2. Rede de computado- res. 3. Segurança da informação. I. Kreutz, Diego. II.
Miers, Charles C. III. Mansilha, Rodrigo B. IV. Sociedade Brasileira de Computação. V. Universidade Federal do Pampa. VI. Universidade do Estado de Santa Catarina.
VII. Título.
CDU004 Catalogação elaborada por Francine Conde Cabral
CRB-10/2606
É proibida a reprodução total ou parcial desta obra sem o consentimento prévio dos autores
A Escola Regional de Redes de Computadores (ERRC 2020), após 17 edições, ocorreu pela primeira vez fora do Rio Grande do Sul (RS), em Joinville, no estado de Santa Catarina (SC), nos dias 25 a 27 de novembro de 2020. É importante destacar também um segundo marco histórico do evento, que foi, pela primeira vez, realizado inteiramente online.
A Escola Regional de Redes de Computadores é promovida pela Sociedade Brasileira de Computação (SBC). Seu principal objetivo é promover a pesquisa e qualificar estudan- tes e profissionais nas áreas de Redes de Computadores, Sistemas Distribuídos e Segurança da Informação. Com relação à Segurança da Informação, é importante destacar também o Workshop Regional de Segurança da Informação e de Sistemas Computacionais (WRSeg 2020), parte integrante da ERRC, que está em sua quinta edição.
A programação da ERRC 2020 e do WRSeg 2020 compreende três minicursos envol- vendo diferentes temas na área redes de computadores, sistemas distribuídos e segurança da informação, três palestras e nove sessões técnicas, sendo duas de Iniciação Científica (IC), três Pós-Graduação (PG) e quatro do WRSeg. Neste livro de anais encontram-se os textos dos minicursos da edição de 2020.
Na edição deste ano, organizada pela Universidade do Estado de Santa Catarina (UDESC) e pela Universidade Federal do Pampa (Unipampa), contamos com o patrocínio da Google.
Expressamos aqui o nosso sentimento de gratidão ao nosso patrocinador e a todos os colabo- radores da organização.
Agradecemos sinceramente a todos os autores dos minicursos, trabalhos técnicos e pales- trantes, que contribuíram para o sucesso da ERRC 2020! Também agradecemos aos revisores dos trabalhos da ERRC e do WRSeg, que contribuíram para qualificar os trabalhos da escola.
Diego, Charles e Rodrigo Organizadores dos Anais e Minicursos da ERRC Joinville-SC, Brasil, novembro de 2020.
18 Escola Regional de Redes de Computadores Comitê Organizador
Organização Geral
Charles Christian Miers (UDESC) Rodrigo Brandão Mansilha (UNIPAMPA)
Organização do Comitê de Programa da ERRC Maurício Aronne Pillon (UDESC)
Guilherme Piêgas Koslovski (UDESC) Organização Comitê de Programa WRSeg Rafael Rodrigues Obelheiro (UDESC) Organização de Minicursos e Oficinas Diego Kreutz (UNIPAMPA)
Comitê de Programa da ERRC Adenauer Yamin (UFPEL) Alberto Schaeffer-Filho (UFRGS) Andrea Charao (UFSM)
André Riker (UFPA) Antonio Candia (UFSM)
Antônio Rodrigo D. De Vit (UFSM) Arthur Lorenzon (UNIPAMPA) Bruno Dalmazo (UFRGS) Bruno Vizzotto (UNIPAMPA)
Carlos Raniery Paula dos Santos (UFSM) Carlos Vinícius Rasch Alves (SENAC-RS) Charles Christian Miers (UDESC)
Clarissa Marquezan (Huawei) Claudio Schepke (UNIPAMPA) Cristiano Both (UNISINOS) Cristina Nunes (PUC-RS)
César Loureiro (IFRS-Porto Alegre) Dalvan Griebler (SETREM)
Dartagnan Dias de Farias (SENAC-RS) Diego Kreutz (UNIPAMPA)
Diogo Menezes Ferrazani Mattos (UFF) Djamel Sadok (UFPE)
Douglas Macedo (UFSC)
Edison Pignaton De Freitas (UFRGS) Eduardo Moroñas Monks (SENAC-RS) Erico Amaral (UNIPAMPA)
Ewerton Salvador (UFPB) Felipe Nunes (AMF) Fábio Rossi (PUC-RS) Gerson Batistti (UNIJUI) Gerson Soares (UNIMI) Giani Petri (UFSM) Glederson Santos (IFSul)
Guilherme Piêgas Koslovski (UDESC) Guilherme Sperb Machado (UZH) Juliano Wickboldt (UFRGS) Leandro Bertholdo (UFRGS) Leonardo Pinho (UNIPAMPA)
Lisandro Zambenedetti Granville (UFRGS) Lucas Bondan (UFRGS)
Lucas F. Müller (UFRGS) Luciano Ignaczak (UNISINOS) Lucio Prade (UNISINOS)
Luis Augusto Dias Knob (IFRS-Sertão)
Marco Aurélio Spohn (UFFS) Matias Schimuneck (UFRGS) Maurcio Aronne Pillon (UDESC) Pedro Marcos (FURG)
Pedro Sá da Costa (Copelabs/PT) Rafael Bastos (UFPEL)
Rafael Esteves (IFRS) Rafael Kunst (UNISINOS) Raul Ceretta Nunes (UFSM) Regio Michelin (IFRS) Reinaldo Gomes (UFCG) Ricardo José Pfitscher (UFRGS) Ricardo Luis dos Santos (UFRGS)
Rodrigo Calheiros (Western Sydney Univer- sity)
Rodrigo Brandão Mansilha (UNIPAMPA) Rodrigo Righi (UNISINOS)
Roger Immich (IMD/UFRN) Rogério Turchetti (UFSM) Simone Ceolin (UFSM) Tiago Ferreto (PUC-RS) Valter Roesler (UFRGS)
Vinicius Vielmo Cogo (ULisboa) Vinícius Guimarães (IFSUL)
Walter Priesnitz Filho (UFSM/CTISM)
Comitê de Programa do WRSeg Adenauer Yamin (UFPEL) Bruno Dalmazo (UFRGS) Bruno Mozzaquatro (UFSM)
Carlos Vinicius Rasch Alves (SENAC-RS) Charles Christian Miers (UDESC)
Diego Kreutz (UNIPAMPA)
Diogo Menezes Ferrazani Mattos (UFF) Eduardo Monks (SENAC-RS)
Erico Hoff do Amaral (UNIPAMPA) Felipe Nunes (AMF)
Luciano Ignaczak (UNISINOS) Luis Augusto Dias Knob (IFRS-Sertão)
Marco Antônio Sandini Trentin (UPF) Márcia Henke (UFSM)
Rafael Rodrigues Obelheiro (UDESC) Reinaldo Gomes (UFCG)
Ricardo Almeida (UFPEL) Ricardo Schmidt (UPF)
Roben Castagna Lunardi (IFRS-Restinga) Roberto Samarone Araújo (UFPA) Rodrigo Brandão Mansilha (UNIPAMPA) Rogério Turchetti (UFSM)
Tiago Antônio Rizzetti (UFSM) Walter Priesnitz Filho (UFSM)
Sociedade Brasileira de Computação Diretoria
Raimundo José de Araújo Macêdo (UFBA) - Presidente
André Carlos Ponce de Leon Ferreira de Carvalho (USP) - Vice-Presidente Renata Galante (UFRGS) - Administrativa
Carlos André Guimarães Ferraz (UFPE) - Finanças Cristiano Maciel (UFMT) - Eventos e Comissões Especiais Itana Maria de Souza Gimenes (UEM) - Educação
José Viterbo Filho (UFF) - Publicações
Priscila América Solís Mendez Barreto (UNB) - Planejamento e Programas Especiais Marcelo Duduchi Feitosa (CEETEPS) - Secretarias Regionais
Francisco Dantas de Medeiros Neto (UERN) - Divulgação e Marketing Edson Norberto Cáceres (UFMS) - Relações Profissionais
Carlos Eduardo Ferreira (USP) - Competições Científicas Wagner Meira (UFMG) - Cooperação com Sociedades Científicas Rossana Maria de Castro Andrade (UFC) - Articulação de Empresas Diretoria Extraordinária
Leila Ribeiro (UFRGS) - Ensino de Computação na Educação Básica Conselho
Lisandro Zambenedetti Granville (UFRGS) Thais Vasconcelos Batista (UFRN) Mirella M. Moro (UFMG)
Antônio Jorge Gomes Abelém (UFPA) José Palazzo Moreira de Oliveira (UFRGS) José Carlos Maldonado (USP)
Roberto da Silva Bigonha (UFMG) Alex Sandro Gomes (UFPE)
Adenilso da Silva Simão (ICMC-USP) Alfredo Goldman (IME-USP)
Comissão Especial de Redes de Computadores e Sistemas Distribuídos - CE-RESD Alberto Egon Schaeffer-Filho (UFRGS) - Coordenador
Comissão Especial de Segurança da Informação e de Sistemas Computacionais - CE- SEGMichele Nogueira (UFPR) - Coordenadora
Comissão Especial de Sistemas Tolerantes a Falhas - CE-TF Luiz Antonio Rodrigues (UNIOESTE) - Coordenador
Secretaria Regional de Santa Catarina Everaldo Artur Grahl (FURB)- Secretário Secretaria Regional do Paraná
Thelma Elita Colanzi (UEM)- Secretária
CRRC
Comitê Assessor da Escola Regional de Redes de Computadores do Rio Grande do Sul
Instituição Representante UFSM Carlos Raniery UFRGS Jéferson Nobre UFRGS Juliano Wickboldt IFRS/Sertão Luis Knob SENAC/POA Marcelo Conterato
UFSM Márcia Pasin
UNIPAMPA Rodrigo Brandão Mansilha PUCRS Tiago Ferreto
Fake News - Conceitos, métodos e aplicações de identificação e mitigação
Pablo de Andrades Lima, Érico Marcelo Hoff do Amaral, Alex Dias Camargo, Jean Lucas Cimirro, Gérson de Munhos Concilio . . . 1 Blockchains com Hyperledger: conceitos, instalação, configuração e uso
Charles Christian Miers, Guilherme Piêgas Koslovski, Maurício Aronne Pillon, Marco Antonio Marques. . . 17 Introdução à Verificação Automática de Protocolos de Segurança com Scyther
Diego Kreutz, Rodrigo B. Mansilha, Silvio E. Quincozes, Tadeu Jenuário, João Otávio Chervinski. . . 43
Capítulo
1
Fake News - Conceitos, métodos e aplicações de identificação e mitigação
Pablo de Andrades Lima, Érico Marcelo Hoff do Amaral, Alex Dias Ca- margo, Jean Lucas Cimirro e Gérson de Munhos Concilio
Abstract
This meta-article describes a short course designado for the 18th Regional School of Computer Networks. It is intended to address the topic fake news on the perspective of information security, engineering of digital lies, and legislation. It also aims to address some projects, applications and services to combat fake news. Finally, it presents compu- tational methods available to mitigate this very contemporary problem, as it is extremely important to be understood by the academic and scientific community.
Resumo
Este meta-artigo descreve um minicurso elaborado para a 18ª Escola Regional de Redes de Computadores que pretende abordar o tema fake news sobre a óptica da segurança da informação, da engenharia das mentiras digitais, legislações, projetos, aplicações e serviços de combate as notícias falsas. Para finalizar, são abordados alguns métodos computacionais disponíveis para mitigação desse problema tão contemporâneo, pois é de suma importância a ser compreendido pela comunidade acadêmica e científica.
1.1. Introdução
O presente trabalho, foi desenvolvido pelo Grupo de Pesquisas acadêmicas do Pampa sobre disseminação de notícias falsas na Internet (Pampa sem Fake). Atualmente, faz parte do Programa Universidade Hacker - UniHacker, sendo composto por alunos do Curso de Engenharia de Computação da Universidade Federal do Pampa, Campus de Bagé e busca estudar, pesquisar e desenvolver possíveis soluções digitais que possam mitigar a disseminação de notícias falsas naInternet.
Neste sentido, após pesquisas exploratórias iniciais no ano de 2018, fica exposto que a liberdade e o contexto democrático da Internet acabou se tornando um cenário
propício para a propagação de informações, tornando este um meio comumente utilizado para o compartilhamento de falsas notícias, as ditasfake news. No Brasil, a propagação desse tipo de informação já ocorre no meio digital, sendo intensificado nos últimos anos durante o período eleitoral [Ruediger et al. 2018].
Após uma análise sistemática das principais redes sociais [Resende et al. 2018], foi estimado que 48% da população brasileira usa oWhatsApp(serviço de troca de mensa- gens viasmartphonepara compartilhar e discutir notícias. O GPOPAI - Grupo de Pesquisa em Políticas Públicas para Acesso à Informação [GPOPAI 2017], em 2017, através de um levantamento, alertou que cerca de 12 milhões de pessoas difundiram notícias falsas sobre política no Brasil.
Outro aspecto importante de citar, trata da influência do "filtro bolha"na difusão defake newsnas mídias sociais [Sastre et al. 2018], que tem sido também um dos gran- des estimuladores de "bolhas digitais". O "filtro bolha"é um conceito usado para intitular algoritmos que direcionam o acesso ao conteúdo baseado no perfil e hábitos do usuário, dando uma impressão de eficiência na busca mas restringem a maneira de como a pes- quisa é realizada, sendo este método muito utilizado pelowebsitede buscasGooglee pela rede socialFacebook[Pariser 2011]. Com isso, é possível sugerir que a influência do fil- tro bolha leva os usuários a bolhas digitais de informações, as quais tornam crenças acima do fato verdadeiro, evocando o que se chama de período "pós-verdade", diminuindo a rea- lidade atual dos fatos objetivando sustentar ideologias e opiniões próprias [Poubel 2018].
Atualmente, existe uma grande gama de serviços, aplicações, projetos e pesquisas e le- gislações sobre o temafake news. Este documento de minicurso visa navegar por esses tópicos relacionando-os as notícias falsas, levando, assim, conteúdo teórico e prático so- bre o tema.
1.2. A engenharia das mentiras digitais
Nesta seção será efetuada uma introdução sobre segurança da informação e sistemas, bem como um histórico sobre o termofake news. Do mesmo modo, serão tratados conceitos relacionados as notícias falsas como filtro bolha, bolha digital e pós-verdade.
1.3. Fake News
Uma das autoras mais citadas quanto a conceituação e especificação do termofake news o classifica como complicado, e considera como um ecossistema de informações com muito mais do que notícias [Wardle 2017]. O termo falso não descreve a complexidade dos diferentes tipos de desinformação, decompondo em três elementos: as motivações de quem cria este conteúdo; as formas como este conteúdo está sendo disseminado; e finalmente, os diferentes tipos de conteúdo que estão sendo criados e compartilhados, os quais são descritos na Tabela1.1. Para [QUESSADA and PISA 2018] a frase atribuída a Goebbels, Ministro da Propaganda de Adolf Hitler, “uma mentira propagada mil vezes torna-se verdade” é um exemplo de como asfake newsatuam no período pós-verdade e a velocidade que se espalham nas redes sociais para embasar opiniões.
O uso de robôs em redes sociais é um dos escopos de pesquisa apontado como influenciador na disseminação de notícias falsas. [Ruediger et al. 2018] alertam para pre- ocupação em entender, filtrar e denunciar a disseminação de informações falsas naInter-
Tabela 1.1: Classificação dasfake news[Wardle 2017]
Tipo Descrição
1 Sátira ou paródia Não quer necessariamente causar mal, mas pode enganar o leitor
2 Falsa Conexão A chamada da notícia não condiz com conteúdo apresentado
3 Conteúdo Enganoso Uso mentiroso de uma informação para difamar outro conteúdo ou pessoa 4 Falso Contexto O conteúdo é verdadeiro, mas é compartilhado
com contexto falso
5 Conteúdo Impostor Quando usa o nome de uma pessoa ou marca, mas afirmações irreais
6 Conteúdo Manipulado O conteúdo verdadeiro é alterado para enganar o público 7 Conteúdo Fabricado Informações 100% falsas e construídas
para causas mal e espalhar boatos
netcom a utilização de ferramentas automatizadas (robôs sociais) que usufruem de perfis falsos, não reais, se passando por seres humanos e participando ativamente de debates políticos de grande repercussão; disseminando informações falsas, promovendohashtags e massificando postagens automatizadas que comprometem o debate espontâneo através desoftwaresque geram este tipo de conteúdo artificialmente.
No estudo sobre "filtros bolha"de [Sastre et al. 2018], foram citadas as mudanças realizadas peloFacebookcom implantação do sistema decrowdsourcing, ou colaboração coletiva, que define as prioridades dosfeedsde notícias nos perfis dos usuários, classifi- cando o que irá aparecer ao usuário por uma maior familiaridade com os conteúdos mais acessados, com propósito de reduzir a difusão defake newsatravés de robôs. Porém, essa configuração gerou uma repercussão negativa com empresas que utilizam estratégias de divulgação por meio de mídias digitais. De acordo com Sérgio Dávila, editor-executivo do jornal a Folha de São Paulo, considerado o maior jornal do Brasil, as redes sociais tendem a criar "bolhas"e "condomínios de convicções"forçando as pessoas a se relacionar somente com outras que pensam como elas [Caulyt 2018].
A pesquisa de [Ferrara et al. 2016] mostra uma tendência promissora de evolução no combate àsfake newsutilizando o padrão automatizado deMachine Learning(ML) e inteligência humana para diferenciar robôs de pessoas. Não menos obstante, cabe citar o crescimento dasdeepfakes, uma técnica usada para substituir rostos originais em vídeos e utilizados para disseminar notícias falsas com uso de aplicativos para a troca de rosto, gerando grande quantidade de vídeos sinteticamente manipulados e distribuídos nas redes sociais, representando um grande desafio técnico para detecção e filtragem de tal conteúdo [de Moraes 2019].
O uso de perfis falsos para disseminação de notícias acaba sendo também um ob- jeto de estudo de suma importância, pois esta técnica que é usada por empresas impulsio- nadoras de conteúdo ou pessoas comuns, muitas vezes tem como objetivo na propagação
de conteúdos falsos que são de seu interesse. Sabendo que a criação de perfisfakesé umas das formas mais utilizadas dentro das redes sociais para este fim específico, foi realizado um estudo baseado na criação de perfis falsos nas principais redes sociais, como,Twitter e Facebook, com a finalidade de identificar de que forma as redes tratam este tipo de prá- tica, objetivando a mitigação de perfis que podem ser usados por robôs para disseminação de informações falsas e na criação em massa de contas em suas mídias.
Embora algumas redes sociais não possuam vínculo entre si, é notável a existência de um padrão de verificação de usuários durante a criação de perfis dentro das mesmas, onde é necessário efetuar a entrada com um e-mailpara realizar a verificação inicial a qual já é um fator de validação. Com isso em vista, durante o procedimento de criação de contasfakefoi utilizado o serviço chamadoTemp-Mail1, no qual foram geradosemails temporários que foram utilizados para realizar a ativação de tais perfis. Em ambas as redes sociais, em casos aleatórios, foi preciso de uma outra confirmação, por telefone, nestes casos foi necessário o uso de outra ferramenta, o aplicativo2ndline - US Phone Number, disponível paraAndroidno Play Store, ao qual sua finalidade é disponibilizar um número de telefone celular norte-americano que recebe e encaminha mensagens SMS para a ativação de serviçosonline.
Nesse aspecto, foi notado que por questões publicitárias, ainda existem pequenas brechas para atuação de perfis falsos e até comércio deste tipo de contas conforme mostra (item 1) da Tabela1.2comlinksde acesso dos endereços. Há ainda noYoutubediversos vídeos e canais (item 2) que tratam da criação de perfis falsos para utilização emmarketing digital, além de agências que prometem o impulsionamento digital através do uso de robôs (item 3).
Tabela 1.2: Lista delinksde endereços
Item Endereço Descrição
1 http://www.fbpvastore.com/ Loja de Perfis 2 https://youtu.be/0eM8uFn1PAs Canal demarketingdigital 3 https://www.autland.com/ Agência de automação social
Desta forma, é possível perceber que o uso de perfis não verdadeiros ainda é um problema e, esta prática pode ser fortemente utilizada para quem tem por objetivo a dis- seminação de notícias falsas, pelo fato de que sua disseminação é muito rápida, principal- mente quando esta notícia se é compartilhada em grupos de bolhas sociais, onde os as- suntos são filtrados e os usuários recebem apenas determinados tipos de conteúdo. Sendo assim é importante que as pessoas tenham algum tipo educação digital para que possam confirmar em canais confiáveis de informação se determinado assunto é ou não verda- deiro e, se mesmo após essa reflexão ainda existir alguma dúvida, ir buscar informações a respeito para determinar se esta notícia é verídica.
1https://temp-mail.org
1.4. Legislação
As tecnologias de informação e comunicação, assim como ambientes computacionais disponibilizaram nos últimos anos um conjunto de soluções para os usuários, como com- putadores de alto desempenho, dispositivos móveis, redes com altas taxas de velocidade e aInternet. Contudo, a utilização destes recursos nem sempre está direcionada a atividades lícitas, muitas vezes sendo estes mecanismos empregados em diferentes práticas ilegais, dentre elas se destacam a difusão de informações falsas e não verídicas. Nesse contexto, a presente seção deste minicurso relaciona a disseminação de noticias falsas com um dos mais importantes princípios da área de segurança da informação, a Legalidade, a qual des- creve que o uso da Tecnologia de Informação e Comunicação deve seguir as leis vigentes do local ou país.
A seguir serão apresentadas, em relação asfake news, a interpretação do Código Penal Brasileiro sobre o tema, oProjeto de Lei 2360, o Código Eleitoral através daLei 13.834de 04 de junho de 2019, o Marco Civil da Internet(Lei nº 12.965, de 23 de abril de 2014)e a LGDP,Lei nº 13.709
O termo do inglês "fake news", ou seja, "notícias falsas"o qual se refere a qualquer notícia ou informação não verídica (falsa ou mentirosa) compartilhadas através de meios digitais como se verdade fosse. Esse tipo de mensagem é comumente disponibilizada por meio de redes sociais, aplicativos ou qualquer outro meio de comunicação na Internet.
Neste contexto, o Código Penal brasileiro não previa tal disseminação como crime, visto que, Art. 5º, Inciso XXXIX, da Constituição Federal de 1988 proclama: "não há crime sem lei anterior que o defina, nem pena sem prévia cominação legal"(Princípio da Legali- dade). Desta forma, o Código Penal e sua legislação não define como crime a divulgação de notícias falsas, tanto pela ausência de previsão de seu tipo normativo, assim como pela ausência de qualquer cominação de pena.
Contudo, oProjeto de Lei n° 2630, de 2020, "estabelece normas relativas à trans- parência de redes sociais e de serviços de mensagens privadas, sobretudo no tocante à responsabilidade dos provedores pelo combate à desinformação e pelo aumento da trans- parência naInternet, à transparência em relação a conteúdos patrocinados e à atuação do poder público, bem como estabelece sanções para o descumprimento da lei". Este projeto de lei, também denominada como Lei dasFake News, é um projeto de lei proposto pelo Senador Alessandro Vieira (CIDADANIA/SE) e definido como a Lei Brasileira de Liber- dade, Responsabilidade e Transparência naInternet. Essa lei, já em seu primeiro artigo,
"estabelece normas, diretrizes e mecanismos de transparência para provedores de redes sociais e de serviços de mensagens privada a fim de garantir segurança, ampla liberdade de expressão, comunicação e manifestação do pensamento."
O artigo 3° desta lei descreve algumas boas práticas, como medidas adequadas e proporcionais no combate ao comportamento inautêntico e na transparência sobre con- teúdos pagos:
a. Liberdade de expressão e de imprensa;
b. Garantia dos direitos de personalidade, dignidade, honra e privacidade;
c. Respeito à formação de preferências políticas e de uma visão de mundo pessoal do
usuário;
d. Compartilhamento da responsabilidade de preservação de uma esfera pública livre, plural, diversa e democrática;
e. Garantia da confiabilidade e da integridade de sistemas informacionais;
f. Promoção do acesso ao conhecimento de assuntos de interesse público;
g. Proteção dos consumidores; e
h. Transparência nas regras para anúncios e conteúdos patrocinados.
Além disso, o PL 2630 veda terminantemente: contas inautênticas, disseminado- res artificiais não rotulados, redes de disseminação artificial que disseminem desinfor- mação e conteúdos patrocinados não rotulados. A fim de atender Leis Eleitorais, este PL prevê a disponibilização a Justiça Eleitoral de dados relacionados a publicações poli- ticas direcionadas a candidatos, partidos ou coligações, que tenham sido impulsionadas ou disseminadas, conforme descrito no art. 16 "Os provedores de redes sociais devem disponibilizar mecanismos para fornecer aos usuários as informações do histórico dos conteúdos impulsionados e publicitários"com os quais a conta teve contato nos últimos 6 (seis) meses.”
Entre outros pontos importantes tem-se os art. 18 e 24 que tratam obre a respon- sabilidade de agentes políticos em mandatos eletivos e a proteção do direito de expressão e publicação de conteúdos por servidores públicos em suas contas privadas, de forma que não sejam perseguidos ou prejudicados por tais ações. Em relação as sanções, previstas neste Projeto de Lei, observa-se em seu Capítulo VI: art. 31. Sem prejuízo das demais sanções civis, criminais ou administrativas, os provedores de redes sociais e de serviços de mensagens privada ficam sujeitos a: I – advertência, com indicação de prazo para adoção de medidas corretivas; ou II – multa de até 10% (dez por cento) do faturamento do grupo econômico no Brasil no seu último exercício. §1º Na aplicação da sanção, a autoridade judicial observará a proporcionalidade, considerando a condição econômica do infrator, as consequências da infração na esfera coletiva e a reincidência. §2º Para os efeitos desta Lei, será considerado reincidente aquele que repetir no prazo de 6 (seis) meses condutas anteriormente sancionadas2.
Em relação ao Código Eleitoral Brasileiro existe a Lei 13.834 de 04 de junho de 2019, a qual altera a Lei nº 4.737, de 15 de julho de 1965 (Código Eleitoral, para tipificar o crime de denunciação caluniosa com finalidade eleitoral). Esta lei pune com dois a oito anos de prisão quem divulgar notícias falsas com finalidade eleitoral. A lei havia sido sancionada originalmente em junho, mas um veto parcial tinha deixado de fora o dispositivo que criminaliza a disseminação deFake Newsnas eleições.
Ao se tratar doMarco Civil da Internettorna-se claro o avanço desta Lei no trato jurídico das relações derivadas do uso da internet. Quando se discute a questão dasFake News, principalmente em períodos eleitorais (períodos normalmente rápidos e curtos), nota-se que a disseminação de noticias falsas pode culminar em alterações dos resultados
2https://www.politize.com.br/lei-das-fake-news/
de um pleito. Neste sentido é claro que o fator tempo é muito importante para se evi- tar problemas e ilícitos, neste contexto a utilização donotice and take down(baseia-se na notificação extra judicial para a remoção de noticias falsas no período de 24h, sendo o provedor solidário em responder por tal ilícito). Com a criação do Marco Civil da Internet passou-se a adotar o judicialnotice and take down, ou seja, atualmente é necessária a no- tificação judicial para a remoção de determinado conteúdo do ar, o que amplia o tempo de resposta dos provedores, aumentando desta forma o fator de impacto do problema. Sendo assim, é notório que o Marco Civil da Internet é insuficiente em relação a propagação de notícias na Internet. Para ajustar estas brechas tem-se outros projetos como o Projeto de Lei n. 5.203 de 2016, que exige em sua redação, a indisponibilização por parte dos provedores de informações em um prazo de 48h após o recebimento de notificação3.
Por fim, destaca-se aLei Geral de Proteção de Dados (LGPD)a qual consiste na legislação brasileira que visa regulamentar a aquisição e o tratamento de dados pessoais no Brasil. Esta Lei por si só não é um instrumento específico para o combate a disseminação deFake News, contudo permite a regulação do tipo e volume de dados que as empresas, detentoras de informações, poderão manipular e, com isso estar e conformidade com a lei específica para o combate a proliferação de notícias falsas, com base na segurança e salvaguarda de tais dados.
1.5. Aplicações e serviços de combate as notícias falsas
Nesta seção serão apresentados alguns projetos atuais, voltados para o combate a desin- formação, os quais se baseiam na formação, educação midiática e conscientização, pontos estes considerados fundamentais para a mitigação do compartilhamento e notícias falsas e desinformação.
O primeiro serviço a ser abordado é oCheck, uma ferramenta desenvolvida pela [Meedan 2020]4, que é uma organização sem fins lucrativos, foca na melhora da qualidade e equidade dos dadosonline, voltadas para redações, ONGs e instituições acadêmicas. É um espaço de trabalho onlineque permite aos usuários verificar fotos e textoonlinee criar conjuntos de dados. O Checkajuda jornalistas, organizações da sociedade civil, pesquisadores e investigadores de direitos humanos na vanguarda da coleta e verificação de informações. Durante o dia das eleições presidenciais de 2016 nos Estados Unidos, a Checkapoiou oElectionland, um esforço nacional de cobertura de problemas de votação durante as eleições de 2016. A ferramenta utiliza uma estrutura deworkflow, onde pessoas analisam e classificam dados, imagens e textos para uso na checagem de fatos. A empresa Meedan desenvolveu um conjunto de ferramenta para verificação de fatos interligada ao WhatsApp, Facebook Messenger, WeChat e outros aplicativos de troca de mensagens, ela permite que usuários encaminhem mensagens para um organização de verificação de fatos, atualmente em cinco países, Brasil, Africa do Sul, Índia, Quênia e Nigéria. Ao realizar uma solicitação os usuários receberão automaticamente os resultados dessa che- cagem de fatos, junto com algumas informações simples sobre por que a conclusão foi alcançada e um cartão visual que é projetado para ser compartilhável, a ferramenta pode
3https://jus.com.br/artigos/69900/a-insuficiencia-do-marco-civil-da-internet-em-relacao-as-fake-news- nas-eleicoes
4https://meedan.com/check
receber solicitações em qualquer idioma, porém sua interface está atualmente disponível em inglês, espanhol, francês, português, árabe, russo e romeno. O principal diferencial doCheckem comparativo a outras agências de checagem de fatos se dá pelo motivo de que uma informação que anteriormente foi verificada pelo seus colaboradores é armaze- nada em um banco de dados e assim utilizando deMachine Learning, para fazer com que quando ocorra uma nova requisição por uma informação, primeiramente ela seja compa- rada com o conteúdo do banco de dados a fim de verificar se possui alguma reportagem ou informação similar ou igual a alguma que já foi verificada, fazendo com que a equipe de checagem não precise verificar novamente uma mesma informação fazendo com que os responsáveis por averiguar as informações tenham como foco em buscas ainda não classificadas.
OHoaxy5é uma ferramentaopen sourcedesenvolvida pela Universidade de Indiana- IUNI, pelo CNetS e oObservatory on Social Media, com objetivo principal visualizar a disseminação de artigos online através do Twitter [Shao et al. 2016]. De acordo com au- tor a plataforma realiza coleta de dados, detecção e análise de desinformação online e direciona para verificação de fatos relacionados. Frisa que de modo geral, o compar- tilhamento de conteúdo de verificação de fatos geralmente fica atrás da desinformação entre 10 e 20 horas. Além disso, notícias falsas são dominadas por usuários muito ativos, enquanto a verificação de fatos é uma atividade mais básica. Com os riscos crescentes relacionados à enorme desinformação online, os observatórios de notícias sociais têm o potencial de ajudar pesquisadores, jornalistas e o público em geral a entender a dinâmica do compartilhamento de notícias reais e falsas.
Com algumas semelhanças, temos obot sentinel6, que trabalha com uso de apren- dizado de máquina projetada para detectar robôs. O sistema pode classificar corretamente as contas com uma precisão de 95%, concentrando em comportamentos e atividades es- pecíficos considerados inadequados pelas regras doTwitter. Os pesquisadores analisaram contas que violavam repetidamente as regras doTwittere treinaram o modelo para clas- sificar contas semelhantes às que foram identificadas como "problemáticas". Owebsite analisa centenas detweetspara classificar com precisão cada conta do Twittere forne- cer um relatório fácil de entender. Porém ele é incapaz de classificar se uma informação é verdadeira ou falsa pelo fato dele apenas comparar informações que são postadas por usuários com conta pública, a checagem é realizada apenas por máquina pois ele analisa apenas a disseminação das postagens e não seu conteúdo, pois obot sentinelnão possui um time humanizado de checagem.
Uma observação importante é que ideologia, afiliação política, crenças religiosas, localização geográfica ou frequência detweetsnão são fatores para determinar a classifi- cação de uma conta doTwitter. As contas são classificadas com base em uma pontuação de 0% a 100%; quanto maior a pontuação, maior a probabilidade da a conta se envolver em assédio direcionado, "trolagem tóxica"ou usar táticas enganosas projetadas para cau- sar divisão e caos. Outro detalhe importante é análise de contas falsas que fazem parte de uma grande conspiração que tenta influenciar as políticas e/ou eleições ou disseminam campanhas de influência. Uma conta falsa que está ativamente tentando causar divisão e
5https://hoaxy.iuni.iu.edu
6https://botsentinel.com/
discórdia se comportará de maneira consistente com alguém que recebe uma pontuação alta dobot sentinel
Cabe citar ainda o NILC-USP – Detecção Automática de Notícias Falsas para o Português7, desenvolvido por pesquisadores do Núcleo Interinstitucional de Linguística Computacional (NILC), da USP e da Universidade Federal de São Carlos (UFSCar), atra- vés de análise textual, com uso de inteligência artificial, para servir de apoio ao usuário na identificação de notícias falsas com uma precisão de 90% [Monteiro et al. 2018]. Ao receber um texto, o sistema aplica métodos para extrair atributos linguísticos desse texto e os utiliza em um modelo de aprendizado de máquina, que classifica a notícia como ver- dadeira ou falsa. O texto deve ter pelo menos 100 palavras. A partir destas palavras, ele irá verificar em dois modelos de detecção: Palavras do Texto e Classes Gramaticais. O primeiro modelo, é baseado em comparações sucessivas em um banco de 10395 palavras visando buscar palavras iguais as quais estão contidas no texto inserido pelo usuário, ao qual irá gerar uma pontuação para o texto informado, fazendo com que textos com uma maior ocorrência das palavras sejam mais plausíveis de veracidade. O segundo modelo irá calcular a porcentagem de classes gramaticais que está contida no texto a partir de uma biblioteca que está disponível na linguagem de programação Python(nlpnet8). Com as pontuações geradas pelos dois métodos, é aplicado um classificador que definirá se a notícia é verdadeira ou não. É importante ressaltar que os projetistas da ferramenta, não aconselham que checagem dos fatos seja feita apenas pela própria, pois a mesma usa apenas uma análise textual, sendo assim necessário uma humana para uma maior confia- bilidade nos resultados.
Todas as ferramentas aqui descritas possuem algum método específico de atuação dentro de algum escopo, mas vale destacar [Monteiro et al. 2018] que também atua com uso de IA para classificação de notícias falsas.
1.6. Métodos computacionais disponíveis para mitigar
Nesta seção será feita uma explanação sobre Inteligência Artificial (IA) e Processamento de Linguagem Natural (do inglês,Natural Language Processing, NLP), assim como essas tecnologias podem ajudar computacionalmente no combate asfake news. Um exemplo prático implementado pode ser encontrado no repositório de códigos-fonteGitHub9.
O termo Inteligência Artificial foi criado por [McCarthy et al. 1956] nos trabalhos do "Dartmouth Summer Research Project on Artificial Intelligence", os quais foi inserido como um novo campo de conhecimento associando linguagens e inteligência, raciocí- nio, aprendizagem e resolução de problemas. A comparação de humano e máquina a muito tempo é objeto de estudo, visto que [TURING 1950] já instigava reflexões como a questão: "Podem as máquinas pensar?", propondo o Jogo da Imitação. Em seus estudos, o autor esperava que máquinas e homens acabariam por competir em campos puramente in- telectuais, porém encerrava com a afirmação: "Podemos avistar só um pequeno trecho do caminho à nossa frente, mas ali já vemos muito do que precisa ser feito"[TURING 1950].
Basicamente, um dos objetivos desta pesquisa é utilizar técnicas de Aprendizado
7https://nilc-fakenews.herokuapp.com/
8http://nilc.icmc.usp.br/nlpnet/
9https://github.com/alexcamargoweb/wrseg-2020/
de Máquina (AM), ou, em inglês, Machine Learning (ML). O tema trata de uma área da Inteligência Artificial que tem por objetivo a construção de sistemas computacionais capazes de adquirir conhecimento de forma automática, tomando suas decisões baseado em experiências acumuladas através de problemas anteriores com solução bem sucedida [Monard and Baranauskas 2003]. De acordo com [Murphy 2012], no AM, os algoritmos são capazes de realizar previsões de padrões em conjunto de dados pré-estabelecidos, po- dendo ser, essencialmente, classificados em dois tipos de aprendizado: supervisionado (preditivo) ou não-supervisionado (descritivo). Na abordagem aqui tratada foram utiliza- das Redes Neurais Artificiais (RNAs), que são algoritmos (supervisionados) inspirados biologicamente no sistema nervoso de animais, úteis para processar grandes quantidades de dados de treinamento e objetivo de classificar novas instâncias [MARUMO 2018]. A arquitetura de uma RNA apresenta camadas de neurônios de processamento e conexões entre eles, onde durante o processo de treinamento são atribuídos pesos para cada conexão que servirão como determinantes de quais neurônios serão ativados na próxima camada, simulando as sinapses de um sistema nervoso animal [Bahdanau et al. 2014]. O proces- samento de cada neurônio é feito através de uma função de ativação que neste caso possui diversos tipos, onde a escolha desta função determina como devem ser as entradas da rede e como será o resultado de saída da mesma.
Com a evolução das RNAs, surgiu o termoDeep Learning(DL) ou Aprendizado Profundo, devido às muitas camadas por ela adotadas [Nallapati et al. 2016]. No contexto desta seção, esse tipo de aprendizagem, chamado Mineração de Texto, tende a identificar padrões de texto e analisá-los com uma técnica chamadatext summarization. Posterior- mente, os valores são classificados de acordo com as métricas pré-definidas e os pesos atribuídos a rede [MARUMO 2018].
Como parte de suma importância sobre esse tema, a mineração de texto pode ser compreendida pela técnica de Processamento de Linguagem Natural (conhecido ampla- mente por NLP). Essencialmente, trata da utilização de métodos e recursos computacio- nais para análise de dados linguísticos [Sakurai 2019]. Nesse contexto, uma implemen- tação de NLP auxilia na resolução de ambiguidades estruturando numericamente o texto, separando palavras através num processo de "tokenização", processando-o com análises léxicas, sintáticas, semânticas e pragmáticas, para posterior compreensão do algoritmo de IA [Dale et al. 2000].
Em resumo, complementando e relacionando os conceitos aqui abordados, fica compreendido que dentro do conceito de IA, possuímos: o Aprendizado de Máquina (ge- ralmente, supervisionado ou não supervisionado) como técnica de inferência; as Redes Neurais Artificiais como tipo de modelo preditivo e oDeep Learningcomo uma RNA com muitas camadas interligadas. Por fim, foi disponibilizado um link contendo uma implementação de uma NLP emPythonviaColab, um ambiente em nuvem de alto de- sempenho mantido peloGoogle Research.
1.7. Projetos sobreFake News
Nesta seção, serão apresentados e listados na Tabela1.3alguns projetos que estão cola- borando para o combate a desinformação atualmente. O Fato semFake-FsF, também da Universidade Federal do Pampa, é parte integrante de um projeto de pesquisa e exten-
são do Grupot3xto. A proposta visa contribuir socialmente com conhecimentos sobre fake newse desinformação, para formar combatentes da "infodemia"que corrompe o bom senso democrático. O projeto é desenvolvido através de produção depodcastsapresen- tados e produzidos pelo Prof. Marco Bonito e seus orientandos de iniciação científica:
Gabriel Pujol, Luana Kasper e Emília Sosa, além do suporte do técnico de áudio Pedro Janczur. O projeto é financiado pela Fundação de Amparo à Pesquisa do Estado do Rio Grande do Sul (FAPERGS).
Tabela 1.3: Projetos e ações de combate a notícias falsas
Nome Linkde acesso
[t3xto 2020] https://anchor.fm/fato-sem-fake [Paganotti et al. 2019] https://vazafalsiane.com
[Sayad 2019] https://educamidia.org.br
O projeto Vaza, Falsiane! é um cursoonlinede iniciativa de três amigos, jornalis- tas e professores universitários que ao longo dos últimos dois anos estudam asfake news, investigando as melhores formas de produzir conteúdo sobre o assunto para um público amplo. Nesse período, foi incubado pela ONG Repórter Brasil e venceu um edital de financiamento doFacebook.
A EducaMídia, programa do Instituto Palavra Aberta com apoio doGoogle.org é uma entidade sem fins lucrativos que advoga a causa da plena liberdade de ideias, de pensamento e de opiniões. Com suas pesquisas, seminários e campanhas, promove a li- berdade de expressão, a liberdade de imprensa e a livre circulação de informação como pilares fundamentais para o desenvolvimento de uma sociedade forte e democrática. O projeto Educamídia foi criado para capacitar professores e organizações de ensino, en- gajando a sociedade no processo de educação midiática dos jovens, desenvolvendo seus potenciais de comunicação nos diversos meios. Atualmente, atua no desenvolvimento de três competências: interpretação crítica das informações, produção ativa de conteúdos e participação responsável na sociedade. Possui atuação também na formação de professo- res e educadores, no apoio a formuladores de políticas públicas e na sensibilização para o tema. A plataforma centraliza conteúdos para formação e pesquisa, além de materiais e recursos para a sala de aula alinhados com a Base Nacional Comum Curricular (BNCC).
Outra ação de mitigação das notícias falsas, são as agências checagem de fato, fact checking, que dão credibilidade as notíciasonline. De acordo com [Fatos 2018], a checagem de fatos é um método jornalístico por meio do qual é possível certificar se a in- formação apurada foi obtida por meio de fontes confiáveis e, então, avaliar se é verdadeira ou falsa, se é sustentável ou não. Temos no Brasil hoje algumas agência de checagem de fatos como Aos Fatos10 e Publica11. Alguns portais de notícias também tem oferecido esse tipo de serviço como o G1 que possui o portal Fato ou Fake12 que atua de forma parecida as agencias defact checking.
Encerrando esta seção e não menos importante, salientamos os esforços realizados
10https://www.aosfatos.org/
11https://apublica.org/
12https://g1.globo.com/fato-ou-fake/
pelo TSE-Tribunal Superior Eleitoral em combater as notícias falsas, que no meio político são comumente usadas. O portal da Justiça Eleitoral Brasileira, neste ano de 2020 com as eleições municipais, possui o projeto Fato ou Boato, criado em 2016 para ampliar o esclarecimento de informações relacionadas ao processo eleitoral, a página Fato ou Boato fomenta a circulação de conteúdos verídicos e estimula a verificação por meio da divulgação de notícias checadas, recomendações e conteúdos educativos.
Essa iniciativa integra o Programa de Enfrentamento a Desinformação nas Elei- ções 2020, que atualmente mobiliza mais de 50 instituições, entre partidos políticos e entidades públicas e privadas, para enfrentar os efeitos negativos provocados pela desin- formação relacionada à democracia.
Tendo como maior objetivo o enfrentamento dasfake news, nove das principais agências de checagem do Brasil integram essa força-tarefa em favor da circulação de con- teúdos verificados, que efetivamente promovam debates e esclarecimentos fundamentais à tomada de decisão do eleitor.
Na centralidade da desinformação propagada em anos eleitorais, estão as notícias falsas sobre a urna eletrônica, que no portal dispões de diversas informações desmistifi- cam dúvidas, fatos e boatos sobre o processo eleitoral eletrônico no Brasil. Outra ação importante desenvolvida pelo Tribunal, é a série de vídeos que apresenta de maneira sim- ples e didática os passos que qualquer cidadão pode adotar para verificar conteúdos e se tornar um agente de combate à desinformação.
1.8. Considerações Finais
Uma das maneiras de poder visualizar o problema e suas possíveis soluções é a separação dele por "caixas", ilustrado na Figura1.1onde os possíveis métodos de solução atuariam especificadamente dentro de uma ou mais "caixas".
O diagrama mostra ao fundo um problema de comunicação digital que no centro na verdade temos os dados em formato debits, ou seja, a sua atuação e modo de operação é digital, tendo como áreas de atuação na sua possível solução, o jornalismo, educação e tecnologia. Podemos compreender também que se trata de um problema segmentado em fake news, desinformação e informação, onde esses dados transitariam em formatos de ví- deos, texto, imagem ou áudio, por redes sociais, sites ou aplicativos de mensagens, sendo que estes poderiam ser tratados ou auditados através de uma análise de comportamento ou conteúdo com uso de aplicativos ou diretamente do sistema operacional.
Mesmo assim é possível verificar que boa parte das ferramentas tecnológicas que contribuem para redução da propagação de fake news através de robôs digitais, apro- veitando do impulsionamento dos algoritmos de “filtro bolha”, utiliza técnicas deDeep Learning.
O uso de perfis não verdadeiros ainda é um problema e esta prática vem sido for- temente usada para quem tem por objetivo a disseminação do notícias falsas. De acordo com [Ferrara et al. 2016], pesquisas mostram uma tendência promissora de evolução no combate àsfake newsutilizando o padrão automatizado deMachine Learninge inteligên- cia humana para diferenciar robôs de pessoas.
Figura 1.1: Diagrama sinóptico
Como métodos viáveis para a solução dasfake news, partindo do pressuposto que a notícia falsa se propaga com maior proporção do que uma notícia verdadeira, é possível trabalhar também com a disseminação de fatos verídicos e, não somente com o combate à informações falsas. Mesmo assim, é possível verificar a dificuldade no tratamento de notícias falsas nos meios digitais atuais como redes sociais. Devido a complexidade do tema, legislações e algoritmo devem tomar todo cuidado no que tange a liberdade de expressão, sendo ainda a conscientização dos usuários a melhor forma de prevenção.
Referências
[Bahdanau et al. 2014] Bahdanau, D., Cho, K., and Bengio, Y. (2014). Neural machine translation by jointly learning to align and translate.arXiv preprint arXiv:1409.0473.
[Caulyt 2018] Caulyt, F. (2018). Facebook perdeu importância para a folha. diz editor.
Deutsche Welle Brasil, versão online, Boon (Alemanha), 9.
[Dale et al. 2000] Dale, R., Moisl, H., and Somers, H. (2000). Handbook of natural language processing. CRC Press.
[de Moraes 2019] de Moraes, C. P. (2019). “deepfake” como ferramenta manipulação e disseminação de “fakenews” em formato de vídeo nas redes sociais. OSF Preprints.
[Fatos 2018] Fatos, A. (2018). O que é checagem de fatos—ou fact-checking.Acesso em 5 de agosto de 2020, 12.
[Ferrara et al. 2016] Ferrara, E., Varol, O., Davis, C., Menczer, F., and Flammini, A.
(2016). The rise of social bots.Communications of the ACM, 59(7):96–104.
[GPOPAI 2017] GPOPAI (2017). Públicas para o acesso à informação. Technical report, da EACH/USP–GPOPAI. Subsídio público e acesso ao conhecimento. 2017 . . . . [MARUMO 2018] MARUMO, F. S. (2018). Deep learning para classificação de fake
news por sumarização de texto.
[McCarthy et al. 1956] McCarthy, J., Minsky, M., and Rochester, N. (1956). The dart- mouth summer research project on artificial intelligence. Artificial intelligence: past, present, and future.
[Meedan 2020] Meedan (2020). Check.
[Monard and Baranauskas 2003] Monard, M. C. and Baranauskas, J. A. (2003). Concei- tos sobre aprendizado de máquina. Sistemas inteligentes-Fundamentos e aplicações, 1(1):32.
[Monteiro et al. 2018] Monteiro, R. A., Santos, R. L. S., Pardo, T. A. S., de Almeida, T. A., Ruiz, E. E. S., and Vale, O. A. (2018). Contributions to the study of fake news in portuguese: New corpus and automatic detection results. In Villavicencio, A., Moreira, V., Abad, A., Caseli, H., Gamallo, P., Ramisch, C., Gonçalo Oliveira, H., and Paetzold, G. H., editors,Computational Processing of the Portuguese Language, pages 324–334, Cham. Springer International Publishing.
[Murphy 2012] Murphy, K. P. (2012). Machine learning: a probabilistic perspective.
MIT press.
[Nallapati et al. 2016] Nallapati, R., Zhou, B., Gulcehre, C., Xiang, B., et al. (2016).
Abstractive text summarization using sequence-to-sequence rnns and beyond. arXiv preprint arXiv:1602.06023.
[Paganotti et al. 2019] Paganotti, I., Sakamoto, L. M., and Ratier, R. P. (2019). “mais fake e menos news”: resposta educativa às notícias falsas nas eleições de 2018. Liberdade de Expressão Questões da atualidade, page 52.
[Pariser 2011] Pariser, E. (2011).The filter bubble: What the Internet is hiding from you.
Penguin UK.
[Poubel 2018] Poubel, M. (2018). Fake news e pós-verdade. Infoescola. Sociedade. s/d.
Disponível em< https://www. infoescola. com/sociedade/fake-news, 15.
[QUESSADA and PISA 2018] QUESSADA, M. and PISA, L. F. (2018). Fake news ver- sus mil: a difícil tarefa de desmentir goebbels.
[Resende et al. 2018] Resende, G., Messias, J., Silva, M., Almeida, J., Vasconcelos, M., and Benevenuto, F. (2018). A system for monitoring public political groups in what- sapp. InProceedings of the 24th Brazilian Symposium on Multimedia and the Web, pages 387–390.
[Ruediger et al. 2018] Ruediger, M. A., Grassi, A., and Guedes, A. L. (2018). Robôs, redes sociais e política no brasil: análise de interferências de perfis automatizados de 2014.
[Sakurai 2019] Sakurai, G. Y. (2019). Processamento de linguagem natural-detecção de fake news.
[Sastre et al. 2018] Sastre, A., de Oliveira, C. S. P., and Belda, F. R. (2018). A influên- cia do “filtro bolha” na difusão de fake news nas mídias sociais: reflexões sobre as mudanças nos algoritmos do facebook. Revista GEMInIS, 9(1):4–17.
[Sayad 2019] Sayad, A. L. V. (2019). Educação midiática e pensamento crítico: antídotos contra a “desinformação”.Liberdade de Expressão Questões da atualidade, page 9.
[Shao et al. 2016] Shao, C., Ciampaglia, G. L., Flammini, A., and Menczer, F. (2016).
Hoaxy: A platform for tracking online misinformation. In Proceedings of the 25th International Conference Companion on World Wide Web, WWW ’16 Companion, page 745–750, Republic and Canton of Geneva, CHE. International World Wide Web Conferences Steering Committee.
[t3xto 2020] t3xto, G. (2020). Pampa sem fake. Access date: 04 nov. 202020.
[TURING 1950] TURING, I. B. A. (1950). Computing machinery and intelligence-am turing.Mind, 59(236):433.
[Wardle 2017] Wardle, C. (2017). Fake news. it’s complicated. First Draft, 16.
Capítulo
2
Blockchains com Hyperledger: conceitos, instala- ção, configuração e uso
Charles Christian Miers, Guilherme Piêgas Koslovski, Maurício Aronne Pil- lon, Marco Antonio Marques
PPGCA - LabP2D - UDESC
Resumo
A introdução dos contratos inteligentes possibilitou o desenvolvimento de uma série de inovações, tais como aplicações e organizações autônomas descentralizadas, proprie- dade inteligente, tokens inteligentes, dentre outros, que permitiram que a blockchain fosse além das soluções financeiras, fato conhecido como Blockchain 3.0. Dentre os diversos modelos de Blockchain 3.0, o Hyperledger é uma plataforma Distributed Ledger Tech- nologies (DLT) permissionada, modular, configurável e de código aberto, desenvolvida pela Linux Foundation. O Hyperledger implementa o conceito de contratos inteligentes, que são regras de negócio implementadas como transações na blockchain e chamadas por transações subsequentes, permitindo o desenvolvimento de contratos de negócio e aplicações descentralizadas. Tais características tornaram o Hyperledeger Fabric uma solução de destaque na implementação de soluções de blockchain privadas ou consorcia- das, estando presente nos maiores provedores de computação em nuvem. Neste contexto, este minicurso tem como objetivo a apresentação teórica e prática do procedimento de criação, configuração e uso de uma rede blockchain baseada no modelo Hyperledger Fabric consorciado.
2.1. Conceitos básicos
A blockchain é um livro-razão seguro, compartilhado e distribuído que facilita o processo de gravação e rastreamento de recursos sem a necessidade de confiança em uma auto- ridade central, permitindo que duas partes comuniquem-se e troquem recursos em uma rede, na qual decisões são tomadas pela maioria, e não por uma única entidade [Salman et al. 2019]. Este livro-razão é composto de transações assinadas criptograficamente e agrupadas em blocos. Cada bloco está ligado criptograficamente com o bloco anterior através de uma validação utilizando um mecanismo de consenso. Conforme novos blocos
são adicionados à cadeia, torna-se mais difícil a alteração dos blocos antigos [Yaga et al.
2019].
Apesar do interesse crescente sobre o tema, a aplicação, implementação e opera- ção das tecnologias relacionadas com blockchain ainda são consideradas tarefas comple- xas. Esta tecnologia foi apresentada inicialmente em 2008 com o Bitcoin, com o objetivo de permitir a realização de transações financeiras sem a necessidade de um intermediário confiável. Desde então, com o desenvolvimento de aplicações distribuídas e contratos in- teligentes (Subseção2.1.4), evoluiu rapidamente para soluções em diversas áreas. Neste sentido, torna-se necessário revisitar alguns conceitos básicos sobre blockchains, de modo a facilitar sua compreensão e aplicabilidade. De posse destes conhecimentos é possível a abordagem de aspectos práticos e operacionais relacionados à instalação, configuração e usabilidade de uma blockchain consorciada modelo Hyperledger Fabric.
2.1.1. Tipos de blockchain
A evolução da tecnologia blockchain pode ser dividida em três etapas: blockchain 1.0, blockchain 2.0 e blockchain 3.0. A blockchain 1.0 está relacionada com o Bitcoin e criptomoedas de modo geral. O Bitcoin é o primeiro e maior exemplo deste modelo de blockchain e representa, aproximadamente, 60 % do valor total de mercado de criptomo- edas, composto por mais de 7 mil criptomoedas e avaliado em mais de 440 bilhões de dólares. Segundo [Swan 2015], enquanto o objetivo da blockchain 1.0 é a descentrali- zação do dinheiro e meios de pagamento, a blockchain 2.0 busca a descentralização de mercados de modo geral, contemplando transações envolvendo diversos tipos de ativos utilizando a blockchain. Os contratos inteligentes são o principal destaque da blockchain 2.0 e consistem em contratos implementados via código na blockchain, que são executa- dos automaticamente quando as condições pré-definidas são atendidas, sem a necessidade de um intermediário confiável. Já a blockchain 3.0 busca a aplicação da tecnologia em di- ferentes setores, de modo que seu potencial disruptivo implique em evoluções importantes na sociedade.
2.1.2. Permissionamento
Uma blockchain pode ser classificada como permissionada ou não permissionada. No modelo permissionado uma organização ou um consórcio de organizações são responsá- veis pela validação e armazenamento das transações realizadas. Neste modelo, os par- ticipantes são previamente conhecidos e dependem de autorização para integrar a rede, gerar ou validar transações. De modo geral, as blockchains permissionadas são úteis para empresas, bancos e instituições que necessitam cumprir uma série de regulamentações e demandam controle completo de seus dados [Sharma 2020]. No modelo não permissio- nado, a validação e armazenamento das transações dependem do trabalho de um grupo de agentes anônimos, conhecidos como mineradores. A atuação dos mineradores é in- centivada através da distribuição de tokens, como recompensa pelo trabalho realizado.
Outra característica deste modelo é a transparência; os participantes devem ter acesso às informações referentes às transações processadas pela rede, incluindo os endereços e a composição dos blocos. Com base no modelo de permissionamento adotado, as block- chains são categorizadas como públicas, consorciadas ou privadas [Miers et al. 2019]:
• Em uma blockchain pública, todos podem ler, enviar ou validar transações, além de participar do processo de consenso distribuído, sendo considerada um modelo totalmente descentralizado.
• Uma blockchain consorciada é composta por duas ou mais instituições parceiras, que podem alterar as regras conforme suas necessidades. O consenso é obtido atra- vés de um processo realizado por um grupo específico de participantes sendo, desta forma, parcialmente descentralizado.
• Já uma blockchain privada é utilizada em modelo de organização única, que pode alterar o funcionamento conforme seus interesses e necessidades. É um modelo centralizado com processo de consenso simples de ser obtido.
Cada uma destas categorias possui uma aplicação distinta, baseada em um con- junto de características da blockchain. A Tabela2.1apresenta alguns critérios de compa- ração entre as principais características dos três tipos de blockchain [Miers et al. 2019].
Tabela 2.1: Comparação entre modelos de acesso da blockchain [Miers et al. 2019].
Características blockchain Pública blockchain Consórcio blockchain Privada Consenso distribuído Todos os nós Nós selecionados Nós selecionados
Permissão de verificação Pública Restrita Restrita
Imutabilidade Sim Adulterável Adulterável
Centralização Descentralizado Parcial Centralizado
Processo de consenso Todos os nós Nós selecionados Nós selecionados O consenso distribuído define se todos os nós podem participar do processo de consenso ou apenas nós pré-determinados. A permissão de verificação pode variar entre pública ou restrita, com a identidade dos participantes podendo ser anônima (em block- chains públicas) ou conhecida, nos modelos consórcio e privado [Tinu 2018]. Apesar de, por característica, os dados armazenados na blockchain serem imutáveis após a obtenção de consenso, algumas implementações dos modelos consórcio e privada podem permitir alterações. Já quanto ao grau de centralização, os modelos podem variar de centrali- zado no modelo de blockchain privada a descentralizado, no modelo público. Por fim, o processo de consenso define se qualquer entidade pode participar do processo ou apenas entidades pré-selecionadas [Miers et al. 2019].
2.1.3. Mecanismos de consenso
Devido à sua natureza assíncrona e descentralizada, um aspecto chave da tecnologia blockchain é determinar quem publicará o próximo bloco. Quando um nó ingressa em uma blockchain, este concorda com o estado inicial do sistema, definido no bloco Gêne- sis. Todo bloco seguinte deve ser válido e também possível de ser validado, de maneira independente, por qualquer nó da rede. Combinando o estado inicial com a capacidade de verificar cada bloco desde então, os usuários podem concordar sobre o estado atual da blockchain [Yaga et al. 2018]. Porém, cada nó pode ter uma visão diferente do estado da blockchain em um dado instante. Para garantir a convergência dessas visões, a blockchain
utiliza um mecanismo de consenso que permite que redes distribuídas ou descentralizadas tomem decisões unânimes quando necessário [Sankar et al. 2017]. Este mecanismo cria um sistema consistente, no qual todos os nós concordam com a ordem dos blocos e seus conteúdos.
De modo geral, o consenso pode ser obtido de diferentes maneiras, seja com o uso de algoritmos de loteria, comoProof of Elapsed Time(PoET) eProof of Work(PoW), ou através do uso de métodos baseados em votação, tais comoPractical Byzantine Fault Tolerance(PBFT) e RAFT [Hyperledger.Architecture 2017]. Dentre os mecanismos ba- seados em votação destacam-se os modelosCrash Fault Tolerant(CFT) eBizantine Fault Tolerant(BFT). Enquanto o mecanismo CFT assume que alguns nós responsáveis pelo consenso podem falhar, o mecanismo BFT admite que além de falhar, alguns nós podem agir de maneira maliciosa. Cada um destes mecanismos possui benefícios e limitações.
Desta forma, a escolha adequada à solução deve estar ligada ao cenário ao qual esta solu- ção é implementada.
2.1.4. Contratos Inteligentes
Um contrato inteligente é uma regra de negócio contendo a lógica a ser executada em uma blockchain, podendo ser uma simples atualização de dados ou uma complexa exe- cução de um contrato com condições anexas. Existem dois tipos diferentes de contratos inteligentes: os contratos inteligentes instalados e os contratos inteligentes na cadeia. Os contratos inteligentes instalados tem as regras de negócio instaladas nos validadores da rede antes que esta seja lançada. Já os contratos inteligentes na cadeia tem as regras de negócio implementadas como transações na blockchain, e são chamadas por transações subsequentes. Neste modelo, o código que define as regras de negócio torna-se parte da blockchain [Hyperledger.Smartcontracts 2017]. O modelo proposto na Figura2.1repre- senta como uma solicitação enviada à um contrato inteligente é processada.
Figura 2.1: Processamento de contrato inteligente - Fonte: Adaptado de [Hyperled- ger.Smartcontracts 2017].
Interpretador de contrato
Estado
Código ID Contrato
Solicitação de transação
Dependências opcionais da
transação
Estado atual
Aceito / Rejeitado
Atestado de correção
Delta de estado, incluindo efeitos colaterais
Informações opcionais do pedido
Entradas Saídas
As saídas adequadas são geradas se a solicitação é válida e aceita. Estas saídas incluem o novo estado e possíveis efeitos colaterais desta alteração. Quando o processa- mento está concluído, o interpretador empacota o novo estado, um atestado de correção e qualquer outra informação adicional, e o envia para o serviço de consenso. A camada
de contrato inteligente valida cada solicitação, garantindo que está de acordo com as po- líticas da transação. Solicitações inválidas são rejeitadas e descartadas, sem inclusão na blockchain.
2.2. Introdução ao Hyperledger
O Projeto Hyperledger é uma iniciativa da Linux Foundation para desenvolver um ecos- sistema de código aberto de desenvolvimento de blockchain. A Linux Foundation visa criar um ambiente no qual comunidades de desenvolvedores desoftwaree empresas se reúnam e se coordenem para construir estruturas de blockchain. O modelo Hyperledger é um projeto multiplataforma, modular e de código aberto. Esta abordagem apresenta, como diferenciais, características como extensibilidade, flexibilidade e a capacidade de modificar qualquer componente sem afetar o sistema [Hyperledger.Architecture 2017].
O Hyperledger é um projeto guarda-chuvas, sob o qual estão em desenvolvimento cinco frameworksdistintos [Dhillon et al. 2017]:
• Sawtooth: Desenvolvido pela Intel com o objetivo de criar uma blockchain de có- digo aberto, o Hyperledger Sawtooth é uma plataforma modular para desenvolver, implementar e executar Distributed Ledger Technologies (DLT). Adota um me- canismo de consenso conhecido como PoET, que tem como objetivo a obtenção de consenso com mínimo esforço computacional. É umframeworkque permite a implementação de soluções permissionadas e não permissionadas.
• Fabric: Esteframeworktem como objetivo permitir o desenvolvimento de aplica- ções empresariais com arquitetura modular, possibilitando a adoção de diferentes mecanismos de consenso e serviços únicos de filiação.
• Iroha: Conjunto de bibliotecas e componentes que permite a implementação de DLT em infraestruturas já existentes.
• Burrow: Blockchain permissionada que executa contratos inteligentes de maneira similar àEthereum Virtual Machine(EVM). Permite a execução de contratos in- teligentes em múltiplas blockchains compatíveis entre si porém em execução em domínios distintos.
• Indy: Trata-se de umSoftware Development Kit(SDK) para o Hyperledger que oferece componentes que permitem adicionar novos recursos e funcionalidades para gestão de identidades de maneira descentralizada.
Desta forma, existem projetos distintos de blockchain Hyperledger, cada qual pos- suindo características para um modelo específico de solução. Contudo, todos os projetos Hyperledger seguem um modelo de desenvolvimento que inclui uma abordagem modular e extensiva, interoperabilidade e ênfase em soluções seguras, com uma abordagem inde- pendente detokene sem criptomoeda nativa, além do uso deApplication Programming Interface(API).
2.2.1. Hyperledger Fabric
O Hyperledger Fabric é uma arquitetura modular de blockchain que permite a conexão de componentes como mecanismo de consenso, serviços de filiação e funções de transação.
Esta característica permite uma customização efetiva da plataforma, conforme as necessi- dades do ambiente. Assim, quando implementada em um ambiente composto por apenas uma empresa, por exemplo, o uso de um mecanismo de consenso CFT pode ser mais adequado que um mecanismo BFT. Por outro lado, em ambientes descentralizados mul- tiorganizacionais, um mecanismo BFT pode ser necessário [Hyperledger 2020a]. Além do mecanismo de consenso, outros componentes do Hyperledger Fabric são modulares e configuráveis:
• Ordering service: Responsável por estabelecer o consenso quanto à ordem das tran- sações e enviá-las aospeers.
• Membership service provider: Responsável pela associação de entidades que com- põe a rede à identidades criptográficas.
• Peer-to-peer gossip service: Responsável por disseminar os blocos para todos os nós.
• Chaincode: No Hyperledger Fabric os contratos inteligentes são conhecidos tam- bém como chaincode, e podem ser desenvolvidos em Go, Javascript e, eventual- mente, outra linguagem como Java. Neste modelo, existem dois tipos dechaincode:
system chaincodeeapplication chaincode. Osystem chaincodenormalmente lida com transações relativas ao sistema, tais como gerenciamento do ciclo de vida e configurações de políticas. Já oapplication chaincodegerencia o estado doledger, incluindo registros de dados.
Adicionalmente, a plataforma também dá suporte a uma variedade de sistemas de gerenci- amento de banco de dados, e permite a configuração das políticas de endosso e validação exigidas. No Hyperledger Fabric, a blockchain é composta por nós pertencentes às orga- nizações que compõe o consórcio, além de um ou mais nós do tipoorderer, responsáveis por ordenar as transações. Para poderem se comunicar, estes nós devem participar de um mesmo canal.
2.2.2. Canais e seus componentes
O modelo proposto pelo Hyperledger Fabric permite que as organizações participem de múltiplas redes blockchain independentes, através dos canais. Toda transação deve ser executada em um canal, no qual todos os participantes devem ser autenticados e autori- zados a realizar transações. O canal oferece o compartilhamento de uma infraestrutura, mantendo a privacidade dos dados e da comunicação, e é composto pelos nós membros (peer) pertencentes às organizações participantes, nós âncora (anchor peer), nós de orde- namento das transações (order peer),ledgerechaincode.
Todas as organizações que compõe o canal devem possuir ao menos umanchor peer. Osanchor peersão responsáveis por comunicar-se com osorderer peer, obter os
